El modelo chino de inteligencia artificial DeepSeek-R1 aprende más y mejor cuando recibe “recompensas” por resolver problemas, pero esos estímulos requieren de la intervención humana, por lo que ese enfoque puede resultar costoso y limitar además su capacidad de crecimiento.
Lo comprobó un equipo de investigadores y tecnólogos, entre los que figuran responsables de la empresa china que lanzó este modelo abierto de inteligencia artificial (IA), que analizaron sus potencialidades y sus limitaciones; hoy publican los resultados de su trabajo en la revista Nature.
Enseñar a los modelos de IA a razonar de la misma manera que los humanos es un desafío, y los investigadores corroboraron que los modelos de lenguaje a gran escala (LLM, por sus siglas en inglés) están demostrando ya ciertas capacidades de razonamiento, aunque ese entrenamiento requiere importantes recursos computacionales.
Te interesa: DeepSeek lanza nueva versión mejorada de su modelo de IA, compatible con chips chinos
Modelos de IA comienzan a razonar
El modelo DeepSeek-R1 incluye una etapa de entrenamiento adicional bajo supervisión humana para mejorar el proceso de razonamiento, y emplea un sistema de aprendizaje “por refuerzo” en lugar de ejemplos humanos para desarrollar los pasos de razonamiento, lo que de acuerdo con los investigadores y responsables de la empresa reduce los costos y la complejidad del entrenamiento.
Constatando no obstante en el artículo que algunas de las limitaciones de la versión actual de ese modelo de IA, entre ellas que combina dos idiomas, el chino y el inglés, o que solo está optimizado para esos idiomas.
Citan también, como una limitación, que hay algunas tareas en las que su modelo no mostró mejoras importantes, como la ingeniería de software, e incidió en que la investigación futura se debe centrar en mejorar esos procesos de ‘recompensa’ para garantizar la fiabilidad de los razonamientos y de las tareas que realiza esta IA.
Los investigadores demostraron que el modelo obtiene buenos resultados en pruebas de matemáticas, biología, física o química, en concursos de programación, y concluyeron que entrenar a la IA a razonar con menos intervención humana es posible, lo que abre la puerta a conseguir modelos capaces de crecer, más potentes y más baratos, aunque todavía quedan muchos retos por resolver.
Con información de EFE
Suscríbete a nuestro canal de YouTube y no te pierdas de nuestro contenido
